/ Модель

Характеристики

Параметры
3,6 млн
Лицензия
Apache 2.0
Архитектура
vits · dense
Библиотека
transformers
Опубликована
12 мар 2024

nepali_male_v1

Генерация аудиоТекст → аудио3 профессии

Небольшая модель VITS преобразует текст на непальском языке в синтезированную речь.

132скачиваний за 30 дней1лайквеса обновлены12 мар 2024

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Синтез речи» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели сгенерируют результат по каждой задаче. Опубликованный тест появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Модель atul10/nepali_male_v1 — голосовая модель синтеза речи на основе VITS, разработанная ProcitBV и опубликованная на Hugging Face через ITH (Nepal). Она преобразует текст в речевую аудиоволну; карточка указывает непальский язык и также упоминает хинди. Архитектура VITS объединяет текстовый энкодер, вероятностные потоки, стохастический предсказатель длительности и декодер в стиле HiFi-GAN. Модель содержит 3,6 млн параметров и распространяется в формате safetensors.

Подходит для озвучивания текста на непальском языке и создания речевого аудио из текстовых фраз. Из-за стохастического предсказателя длительности результаты могут различаться при повторной генерации; для воспроизводимого аудио нужен фиксированный seed. Метаданные указывают лицензию Apache-2.0.

Сценарии применения

  • озвучивание непальского текста
  • создание голосовых подсказок на непальском языке
  • синтез речи из коротких фраз
  • генерация аудио для непальских приложений

Ограничения

Результат синтеза недетерминирован: для повторного получения той же аудиоволны нужен фиксированный seed. Карточка не приводит оценок качества или сведений о поддержке других языков помимо непальского и хинди.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Model Card for Model ID

Model Details

Nepali language 

VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech) is an end-to-end speech synthesis model that predicts a speech waveform conditional on an input text sequence. It is a conditional variational autoencoder (VAE) comprised of a posterior encoder, decoder, and conditional prior.

A set of spectrogram-based acoustic features are predicted by the flow-based module, which is formed of a Transformer-based text encoder and multiple coupling layers. The spectrogram is decoded using a stack of transposed convolutional layers, much in the same style as the HiFi-GAN vocoder. Motivated by the one-to-many nature of the TTS problem, where the same text input can be spoken in multiple ways, the model also includes a stochastic duration predictor, which allows the model to synthesise speech with different rhythms from the same input text.

The model is trained end-to-end with a combination of losses derived from variational lower bound and adversarial training. To improve the expressiveness of the model, normalizing flows are applied to the conditional prior distribution. During inference, the text encodings are up-sampled based on the duration prediction module, and then mapped into the waveform using a cascade of the flow module and HiFi-GAN decoder. Due to the stochastic nature of the duration predictor, the model is non-deterministic, and thus requires a fixed seed to generate the same speech waveform.

Usage

TTS is available in the 🤗 Transformers library from version 4.33 onwards. To use this checkpoint, first install the latest version of the library:

pip install --upgrade transformers accelerate

Then, run inference with the following code-snippet:

from transformers import VitsModel, AutoTokenizer
import torch

model = VitsModel.from_pretrained("procit001/nepali_male_v1")
tokenizer = AutoTokenizer.from_pretrained("procit001/nepali_male_v1")

text = "म पनि जान्छु है त अहिले लाई"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    output = model(**inputs).waveform

The resulting waveform can be saved as a .wav file:

import scipy

scipy.io.wavfile.write("techno.wav", rate=model.config.sampling_rate, data=output)

Or displayed in a Jupyter Notebook / Google Colab:

from IPython.display import Audio

Audio(output, rate=model.config.sampling_rate)

License

The model is licensed as procitBV v1.

Model Description

This is the model card of a 🤗 transformers model that has been pushed on the Hub. This model card has been automatically generated.

  • Developed by: [ProcitBV ][atulpokharel]
  • Funded by [optional]: [ProcitBV]
  • Shared by [optional]: [ITH(Nepal)]
  • Model type: [VITS (Variational Inference with adversarial learning for end-to-end Text-to-Speech)]
  • Language(s) (NLP): [Nepali (np) Hindi(hin)]
  • License: procitBV v1]

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · transformers

Можно запустить

Подбираем GPU…

Класс архитектуры
VitsModel
Ревизия весов
642fe38

0 моделей